携手创作，共同成长！这是我参与「掘金日新计划 · 8 月更文挑战」的第1天，点击查看活动详情
p 值用于零假设检验，用以量化数据（证据）的统计显著性概念。 零假设检验是一种适用于统计学的归谬法论证（反证法）。从本质上讲，如果一个主张的反主张不可能成立，那么这个主张就是成立的。
因此，需要在检验中被指定并且体现反主张的唯一假设被称为零假设（即要被取消的假设）。如果一个结果允许我们拒绝零假设，那么这个结果在统计学上是显著的。也就是说，根据归谬法推理，如果0假设为真，那么统计上显著的结果（结果是显著的）应该是极不可能的。拒绝零假设意味着正确的假设是零假设的逻辑补充。然而，除非零假设有一个单一的替代品，拒绝零假设并不能告诉我们哪个替代品可能是正确的。
例如,如果一个零假设是假定遵循标准的正态分布N(0,1),然后拒绝零假设可能的意思是(I)均值不为零,或(II)方差不为一,或(III)分布是非正态的,这取决于所进行的检验类型。然而，假设我们设法拒绝零均值假设，即使我们知道分布是正态的并且方差是为一，零假设检验也不告诉我们应该采用哪个非零值作为新均值。
如果X是一个代表观测数据的随机变量，而H0是考虑中的统计假设，那么统计显著性的概念可以通过条件概率Pr(X|H0)量化，这就给出了如果假设是正确的观察的可能性（根据条件概率定义，可理解成假设H0为真，观测到数据或者说随机变量X取得实现值或者说随机变量X实现值出现的概率）。然而，如果X是一个连续的随机变量，观察到一个特定实现值（也称实例）x的概率为0，即Pr(X=x|H0)=0（因为连续随机变量的概率都是在一段区间上定义的）. 因此，这个幼稚的定义是不够的，需要改变，以适应连续的随机变量。
尽管如此，它还是有助于澄清p值不应该与假设的概率混淆，例如Pr(H0|X)，X的实现值x被观测到的情况下，H0是真的概率，或Pr(H0)，假设正确的概率。或Pr(X),观察到给定数据的概率。
p 值陈诉了基于采集的数据而计算的检验统计量的值有多极端。 它对应于，在有效零假设的情况下，得到检验统计量的计算值或极值（观测值 t ）的概率。或者更为形象地说： p 值就是在 0 假设为真的情况下一个观测值或更多极端值出现的的概率。
